机器学习大作业案例.doc

机器学习大作业 题 目 机器学习大报告 学 院 电子工程学院 专 业 学生姓名 学 号 目 录 第一章 机器学习的基本理论及算法 3 1.1机器学习的基本理论 3 1.1.1 机器学习的概念 3 1.1.2 机器学习的发展历程 3 1.1.3 机器学习的模型 4 1.2机器学习主要算法 5 1.2.1 决策树算法 5 1.2.2 人工神经网络 6 1.2.3贝叶斯学习算法 7 1.2.4 遗传算法 8 1.2.5 支持向量机 9 第二章 支持向量机（SVM）原理 11 2.1 SVM的产生与发展 11 2.2 统计学习理论基础 12 2.3 SVM原理 12 2.3.1．最优分类面和广义最优分类面 13 2.3.2 SVM的非线性映射 16 2.3.3．核函数 17 第三章 支持向量机的应用研究现状 19 3.1 应用概述 19 3.2支持向量机的应用 19 3.2.1 人脸检测、验证和识别 19 3.2.2说话人/语音识别 20 3.2.3 文字／手写体识别 20 3.2.4 图像处理 20 3.2.5 其他应用研究 21 第四章 基于SVM的实例及仿真结果 23 4.1 16棋盘格数据分类 23 4.2 UCI中iris数据分类 25 第一章 机器学习的基本理论及算法 1.1机器学习的基本理论 1.1.1 机器学习的概念 机器学习是人工智能的一个分支，是现代计算机技术研究一个重点也是热点问题。顾名思义，机器学习就是计算机模仿人类获取知识的模式，通过建立相应的模型，对外界输入通过记忆归纳推理等等方式，获得有效的信息和经验总结，进而不断的自我完善，提高系统的功能。目前，机器学习的定义尚不统一，不同专业背景的学者出于不同的立场，对于机器学习的看法是不同的。下面主要介绍两位机器学习专业研究者赋予机器学习的定义。兰利（P.Langley）认为：“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。米切尔（T.M.Mitchell）在其著作《机器学习》中谈到“机器学习”关注的问题是“计算机程序如何随着经验积累自动提高自身的性能”，也就是主要指的是归纳学习，另外“分析学习和增强学习也是学习的一个不可或缺组成部分”。两位学者的观点类似，都把机器学习看成是计算机或人工智能的一个分支学科，都强调的是归纳学习算法。 机器学习在人工智能领域中是一个相对比较活跃的研究领域,其研究目的就是要促进机器像人样可以源源不断获取外界的知识,建立相关学习的理论,构建学习系统,并将这些发明应用于各个领域。 1.1.2 机器学习的发展历程 机器学习(machine learning)是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。作为人工智能研究的一个新崛起的分支，机器学习的发展历程大至可分为如下几个时期： （1）热烈时期：20 世纪 50 年代的神经模拟和决策理论技术,学习系统在运行时很少具有结构或知识。主要是建造神经网络和自组织学习系统, 学习表现为阈值逻辑单元传送信号的反馈调整。 （2）冷静时期：20 世纪 60 年代早期开始研究面向概念的学习, 即符号学习。使用的工具是语义网络或谓词逻辑, 不再是数值或者统计方法。在概念获取中, 学习系统通过分析相关概念的大量正例和反例来构造概念的符号表示。在这一阶段, 人们认识到学习是个复杂而循序渐进的过程; 如果不要任何初始知识,则学习系统无法学到高层次的概念。 （3）复兴时期：20 世纪 70 年代中期, 研究活动日趋兴旺, 各种学习方法不断推出, 实验系统大量涌现, 1980 年在卡内基·梅隆大学( CMU) 召开的第一届机器学习专题研讨会, 标志着机器学习正式成为人工智能的一个独立研究领域。 （4）蓬勃发展时期：从 20 世纪 80 年代中后期到现在, 可以认为机器学习研究进入一个新阶段, 已经趋向成熟。神经网络的复苏, 带动着各种非符号学习方法与符号学习并驾齐驱, 并且已超越研究范围, 进入到自动化及模式识别等领域, 掀起一场联结主义的热潮,各种学习方法开始继承, 多策略学习已经使学习系统愈具有应用价值, 开始从实验室走向应用领域。 1.1.3 机器学习的模型 机器学习系统主要由三个部分构成：环境、知识库